《matlab在模式識(shí)別中的應(yīng)用.ppt》由會(huì)員分享，可在線閱讀，更多相關(guān)《matlab在模式識(shí)別中的應(yīng)用.ppt（18頁珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

模式識(shí)別技術(shù) 定義 識(shí)別出給定的事物與哪一個(gè)標(biāo)本相同或相近 模式分類 把供模仿的標(biāo)本分成若干類 再判斷給定的事物屬于哪一類 例如 文字識(shí)別 疾病診斷 聲紋識(shí)別 模式是被屬于人工智能的研究范疇 模式識(shí)別的分類 有監(jiān)督的模式識(shí)別 除了待識(shí)別樣本外 還提供已經(jīng)類別樣本集 訓(xùn)練樣本集 用來先行訓(xùn)練 使之積累經(jīng)驗(yàn) 獲得識(shí)別能力 再對(duì)未知樣本識(shí)別 分類 無監(jiān)督的模式識(shí)別 無訓(xùn)練樣本 采用集群 聚類 分析 模式識(shí)別系統(tǒng) 數(shù)據(jù)獲取 預(yù)處理 特征提取 決策分類在實(shí)際問題中 提取的特征是把一個(gè)物理模式變成一個(gè)隨機(jī)向量 決策分類 若已知待識(shí)別樣本完整的先驗(yàn)知識(shí) 則可據(jù)此確定決策函數(shù)的數(shù)學(xué)表達(dá)式 若僅知待識(shí)別樣本的定性知識(shí) 那么需要經(jīng)過學(xué)習(xí) 訓(xùn)練 確定決策函數(shù) 例 Cancer數(shù)據(jù)測(cè)試 調(diào)用cancer dataset采用BP網(wǎng)絡(luò)識(shí)別癌癥特征 采用newpr p t hidenum 創(chuàng)建網(wǎng)絡(luò)數(shù)據(jù)分類 1 60 用于訓(xùn)練2 20 用于監(jiān)測(cè) 防止過收斂 3 20 用于測(cè)試采用train訓(xùn)練 提高精度方法 對(duì)網(wǎng)絡(luò)賦值新權(quán)值 重新訓(xùn)練增加隱層神經(jīng)元數(shù)目增加訓(xùn)練樣本增加預(yù)測(cè)變量的數(shù)目 更多先驗(yàn)信息 更好其他的訓(xùn)練算法采用優(yōu)化算法 nprtool的使用 在命令窗口輸入nprtool 即可彈出GUI界面 其中可以load軟件中的樣本數(shù)據(jù) 進(jìn)行測(cè)試 例 血清膽固醇含量檢測(cè)問題 通過臨床實(shí)踐共提取了264位病人的血樣檢測(cè)結(jié)果數(shù)據(jù) 其中每個(gè)檢測(cè)結(jié)果均對(duì)應(yīng)所測(cè)血樣光譜的21個(gè)波長(zhǎng)值 現(xiàn)利用樣本數(shù)據(jù)訓(xùn)練 設(shè)計(jì)一個(gè)神經(jīng)網(wǎng)絡(luò) 使其能夠自動(dòng)完成上述檢測(cè)過程 分析 Step1 采用loadcholes all 調(diào)用內(nèi)置的經(jīng)典樣本 訓(xùn)練樣本名為p 訓(xùn)練目標(biāo)名為tStep2 采用prestd p t 對(duì)原始樣本歸一化 獲得歸一化后的樣本矩陣pnStep3 采用ptran prepca pn 0 001 對(duì)歸一化后的矩陣pn降維 Step4 對(duì)樣本數(shù)據(jù)劃分為訓(xùn)練集 驗(yàn)證集 測(cè)試集 Itest 2 4 Q Ival 4 4 Q Itr 1 2 Q Val P ptrans Ival val T t Ival Test P ptrans Itest Val T t Itest Ptr ptran Itr ttr t Itr Step5 創(chuàng)建網(wǎng)絡(luò)net newff minmax ptr S1 S2 Step6 訓(xùn)練 并繪制誤差曲線 net tr train net ptr ttr val test Plot tr epoch tr perf tr epoch tr vperf tr epoch tr tperf 車牌號(hào)識(shí)別算法 字符識(shí)別相關(guān) 特征提取 識(shí)別算法 在二值字符圖像中 利用字符的點(diǎn)陣特征進(jìn)行字符識(shí)別是最簡(jiǎn)單的方法 只需要將二值化的字符圖像以數(shù)組的形式輸入到分類器中 分類器可以采用模板匹配 或者利用大量的樣本訓(xùn)練的神經(jīng)網(wǎng)絡(luò)來作分類器 實(shí)驗(yàn)證明 該方法對(duì)于字符字體 型號(hào)變化不大的情況非常有效 特征提取 點(diǎn)陣特征 該組特征基于細(xì)化的二值圖像 二值化字符圖像的點(diǎn)陣結(jié)構(gòu)反映了一個(gè)字符的整體結(jié)構(gòu)特征 通常 分類器采用模板匹配 利用距離函數(shù)計(jì)算模板與當(dāng)前字符之間的相似度 其中相似度最小的那個(gè)模板所代表的字符即為識(shí)別出的字符 該方法簡(jiǎn)單易行 計(jì)算復(fù)雜度低 適合實(shí)時(shí)識(shí)別 識(shí)別算法 利用BP神經(jīng)網(wǎng)絡(luò)來分類字符 BP神經(jīng)網(wǎng)絡(luò)包括3層 輸入層 隱含層 輸出層 通過BP網(wǎng)絡(luò)的泛化能力 進(jìn)行字符的識(shí)別 例 用神經(jīng)網(wǎng)絡(luò)對(duì)26個(gè)字母識(shí)別 采用matlab中的prprob字母庫 作為樣本實(shí)例 進(jìn)行字母的識(shí)別 分析 1 訓(xùn)練樣本為35x26的矩陣 每列對(duì)應(yīng)于每個(gè)字母的布爾矢量 訓(xùn)練目標(biāo)為26x26的單位矩陣 2 在實(shí)際的字母識(shí)別中 不同級(jí)別的噪聲是存在的 因而會(huì)影響識(shí)別率 所以可以考慮擴(kuò)張訓(xùn)練樣本 并對(duì)擴(kuò)張的訓(xùn)練樣本加入小功率噪聲 采用newff p t hidenums 創(chuàng)建新BP網(wǎng)絡(luò) 采用train函數(shù)進(jìn)行訓(xùn)練 采用plotchar畫出5x7的字母網(wǎng)格圖 在對(duì)訓(xùn)練好的網(wǎng)絡(luò)性能進(jìn)行測(cè)試時(shí) 可以選擇要識(shí)別的字母 由于受噪聲影響 網(wǎng)絡(luò)輸出模式矢量中的元素可能不是單純的0和1兩個(gè)值 其中測(cè)試的輸出可以用compet競(jìng)爭(zhēng)傳遞函數(shù)得出最接近網(wǎng)絡(luò)輸出的標(biāo)準(zhǔn)模式矢量 例 車牌號(hào)識(shí)別 給定車牌號(hào)是 J369訓(xùn)練部分 對(duì)神經(jīng)網(wǎng)絡(luò)的輸入訓(xùn)練樣本 分為兩種 1 純訓(xùn)練樣本 無噪聲 2 對(duì)訓(xùn)練樣本擴(kuò)張 并對(duì)擴(kuò)張的樣本加入不同級(jí)別的噪聲 測(cè)試 仿真 部分 1 對(duì)J369 無噪聲 測(cè)試 觀察測(cè)試效果2 對(duì)J369 加入噪聲 測(cè)試